三种经典的策略：一对一（One vs One，简称OvO），一对其余（One vs Rest,简称OvR），多对多（Mnay vs Many，简称MvM）。
1、OvO策略
OvO将N个类别两两配对，从而产生N(N-1)/2个二分类任务，例如OvO将为区分类别Ci，Cj训练一个分类器，该分类器把D中的Ci类样例作为正例，Cj类样例作为反例。在测试阶段，新样本将同时提交给所有分类器，于是我们将得到N(N-1)/2个分类结果，最终结果可以通过投票产生。
2、OvR策略
OvR则是每次将一个类的样例作为正例，所有其他类的样例作为反例来训练N个分类器，在测试时若仅有一个分类器预测为正类，则对应的类别标记作为最终分类结果
3、MvM策略
MvM则是每次将若干个类作为正类，若干个其它类作为反类。显然OvO和OvR是她的特例。显然MvM的正、反类构造必须有特殊的设计，不能随意选取。这里介绍一种
最常用的MvM技术：纠错输出码（ECOC）。
参考：机器学习之多分类学习
标签： mvm、ovo、ovr、分类器、类样、面试
